制造现场已经积累大量数据：温度、振动、节拍、良率和维护记录都可以持续采集。但数据出现异常时，老师傅往往还要结合声音、材料批次和近期调整才能判断原因。

这并不说明数字化没有用，而是说明现场经验包含许多没有被系统记录的上下文。智能化的下一步，是让这些判断过程能够被描述、验证和复用。

先记录判断依据，而不是只记录结果

维修工单常写“已处理”或“更换零件”，却没有说明为何确认故障、排除了哪些可能。缺少中间过程后，同类问题再次出现，其他人仍要从头检查。

系统可以在不增加太多填写负担的前提下，保留关键现象、诊断步骤和处理后的验证结果。结构化选项负责共性，短文本和图片补充现场差异。

经验沉淀不是把人的判断变成一堆文档，而是让下一次判断少走一段重复的路。

模型需要理解设备所处的状态

同一项振动值在开机、稳定生产和换线期间含义不同。模型训练不能只读取传感器数值，还要连接工艺、物料、班次和维护状态。

现场数据也会受到传感器漂移和采集故障影响。把每个偏差都当作设备异常，容易产生大量误报。让操作人员反馈“为什么忽略这次提醒”，本身就是重要训练数据。

系统要允许班组提出异议

智能建议只有被现场使用，才有机会改进。界面应说明判断依据，允许人员确认、驳回或标记不确定，并把高风险决定留给负责人。

衡量项目成效时，可以观察停机排查是否缩短、重复故障是否减少、新员工能否更快完成诊断。相比展示一个复杂模型，这些变化更接近制造现场真正关心的结果。